CN106778014A - 一种基于循环神经网络的患病风险预测方法 - Google Patents
一种基于循环神经网络的患病风险预测方法 Download PDFInfo
- Publication number
- CN106778014A CN106778014A CN201611247218.2A CN201611247218A CN106778014A CN 106778014 A CN106778014 A CN 106778014A CN 201611247218 A CN201611247218 A CN 201611247218A CN 106778014 A CN106778014 A CN 106778014A
- Authority
- CN
- China
- Prior art keywords
- disease
- recognition
- neural network
- sequence
- recurrent neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
本发明公开了一种基于循环神经网络的患病风险预测方法,包括:(1)利用诊断的疾病作为训练样本,进行疾病名称分布式词向量训练,得到词向量映射矩阵,并进行存储;(2)再次利用诊断的疾病作为训练样本,进行循环神经网络训练,得到患病风险预测模型;(3)将病人历史记录中每种诊断疾病作为一个测试样本输入患病风险预测模型,得到患病风险预测结果。该方法利用循环神经网络与分布式词向量表达嵌入技术,解决了因医疗诊断数据具有维度高、数据稀疏、时序性强等特点导致的训练模型过于复杂、训练成本高以及训练准确率低等问题,实现了针对历史患病信息进行具有时序性的建模过程。
Description
技术领域
本发明属于医疗数据挖掘领域,具体涉及一种基于循环神经网络的患病风险预测方法。
背景技术
疾病风险预测是根据大量患者的历史患病信息进行建模,并根据建立的模型进行疾病风险预测的综合系统。疾病患病风险预测大致可以分为经验预测和定量预测。
经验预测作为一种主要依靠预测人员经验和直观判断能力的预测方法,不需要或只需要少量的计算,较适用于缺乏历史数据的场景。其主要方法包括:模糊聚类预测法、Delphi法、主观概率法。经验预测主要依托于人为经验与主观判读,且人工成本高,无法实现大量高准确度的预测。
定量预测是依托于大量历史数据,运用统计、机器学习等方法对疾病患病风险进行数学建模。随着医疗信息化和计算机科学技术的飞速发展,医疗行业积累了大量丰富的医疗数据,越来越多的医疗诊断、健康检查数据存储在医疗机构数据中心。因此,越来越多的研究人员及企业在研究如何利用这些电子健康记录进行疾病风险定量预测。
目前,针对疾病预测的某一特定领域,已经有许多专业人士通过机器学习等方法建立了预测某一种特定疾病的模型。在Dimitrios H.Mantzaris等人发表的文献“Medicaldisease prediction using artificial neural networks[C]//BioInformatics andBioEngineering”中,提出了使用人工神经网络的思想对疾病进行预测。他们针对骨质疏松疾病,把其患病风险预测问题作为一种模式分类问题,使用多层感知器(MLPs)及概率神经网络(PNN)建立预测模型,实现了较为准确的疾病预测结果。由于医疗诊断数据目前存在两大问题,使得难以建立合理的预测模型。
问题一:由于疾病种类繁多,导致将疾病诊断数据利用传统单热(One-hot)式词向量表示方式来表示的向量维度高且十分稀疏。在传统单热式词向量表达方式中,首先,按顺序将每个疾病进行编号,创建词表库;然后,按词表库的顺序将疾病转换为向量形式,该向量的维度为疾病的总类别数。向量的元素只有0或1,其中:0表示未患该位置对应词表库的疾病;1表示患得该位置对应词表库的疾病。例如,现在共有A、B、C三种疾病,按ABC顺序生成词表库,若一个人某次患A、C两种疾病,则对应的疾病向量为[1,0,1]。如果,就诊数据包含1万中疾病,则对应的疾病向量将达到1万维。这使得建立的模型过于复杂,增加模型训练成本,且降低模型的预测准确率。
问题二:疾病发展过程具有很强的时序性,传统的疾病预测模型,仅使用单次诊断及检测数据作为模型输入,未考虑将多次诊断及检测作为输入。因此,能否设计出一种兼顾上诉问题的合理预测模型,成为当前亟待解决的问题。
发明内容
解决了因医疗诊断数据具有维度高、数据稀疏的特点导致的训练模型过于复杂、训练成本高以及训练准确率低等问题。鉴于上述,本发明提供了一种基于循环神经网络的患病风险预测方法,主要是利用循环神经网络与分布式词向量表达嵌入技术,实现了利用医疗诊断数据等电子健康记录进行疾病风险预测。
一种基于循环神经网络的患病风险预测方法,包括以下步骤:
(1)利用诊断的疾病作为训练样本,进行疾病名称分布式词向量训练,得到词向量映射矩阵,并进行存储;
(2)再次利用诊断的疾病作为训练样本,进行循环神经网络训练,得到患病风险预测模型;
(3)将病人历史记录中每种诊断疾病作为一个测试样本输入患病风险预测模型,得到患病风险预测结果。
步骤(1)的具体步骤为:
(1-1)对疾病诊断数据进行预处理:将每名患者的m种疾病按照诊断的顺序排序,选取前n种疾病组成第一个疾病序列,选取第2种疾病~第n+1种疾病组成第二个疾病序列,选取第3种疾病~第n+2种疾病组成第三个疾病序列,以此类推,得到m-n+1个疾病序列,n的取值为5、7或9,m为自然数;
(1-2)将每个疾病序列中处于中间位置的疾病作为词向量训练模型的真实输出,剩余的疾病组成的序列作为词向量训练模型训练样本,将训练样本中的每种疾病按照诊断的顺序依次输入到词向量训练模型,进行疾病名称分布式词向量训练,得到每个疾病所对应的分布式词向量,从而组成词向量映射矩阵,并进行存储。
在步骤(1-1)中,假设一名病人总患病序列为A B C D E F G,选择患者的5种疾病作为一个疾病序列,则可以形成3个疾病序列,第一个疾病序列为A B C D E,第二个疾病序列为B C D E F,第三个疾病序列为C D E F G,以此类推得到来自于同一患者的所有疾病序列。
在步骤(1-2)中,对疾病名称进行分布式词向量训练,该训练过程中,为每一个疾病训练疾病特征向量,将高维度、高稀疏度的疾病名称映射为低维度、低稀疏度的疾病向量。同时,根据向量距离的度量方法,度量不同疾病间的相关程度,具体过程是:经过词向量训练后的所有疾病都有对应存在的词向量,该词向量可以用欧氏距离公式度量词向量之间的关系,欧式距离越小的词向量对应的疾病的相关度越高。如疾病白内障与玻璃体变性存在较高相似度。
在步骤(1-2)中,采用连续词袋模型作为训练模型,进行训练,得到每个疾病所对应的分布式词向量,即构建每个疾病名称到K维实数向量的映射过程,使得每个疾病都能使用K维向量进行表示,其中:K远小于疾病总数。假设有N个词向量,则该词向量按疾病名称顺序进行组合,形成N*K维的矩阵,作为结果进行存储。
步骤(2)的具体步骤为:
(2-1)将每名患者所有次就诊行为所确诊的疾病作为就诊序列,删除就诊行为次数小于5的就诊序列,且删除就诊序列中相邻两次就诊行为后一次中重复确诊的疾病,得到预处理后的就诊序列作为循环神经网络训练样本;
(2-2)将循环神经网络训练样本输入到循环神经网络模型中,利用词向量映射矩阵将训练样本转化为疾病向量;
(2-3)将确诊的历史疾病转化为向量,并作为循环神经网络模型的真实输出,利用疾病向量对循环神经网络进行训练,得到患病风险预测模型。
在步骤(2-1)中,假设一年内,总共有P名患者进行就诊,每名患者有Ti(i=1,2,…,N)次就诊行为,每次就诊行为有Mj(j=1,2,…,N)个疾病,因患者的个人身体素质差异性,每个患者的就诊行为数不同,且每一次就诊行为数中确诊的疾病数也不同,为增加预测的准确性,将每名患者的所有就诊行所确诊的疾病作为一个就诊序列,则一共有P个就诊序列。若一个就诊序列中有相邻且重复的疾病诊断数据,则去掉后面确诊的重复疾病诊断数据,选择序列长度大等于5的就诊序列作为循环神经网络训练模型的训练样本,序列长度大于等于5的就诊序列表示的是就诊次数大于等于5的就诊序列。
在步骤(2-2)中,选择序列长度大等于5的就诊序列作为循环神经网络训练模型的输入数据,输入的高维度、高稀疏度的训练样本经词向量映射转化为低维度、低稀疏度的疾病向量数据,实际将低维度、低稀疏度的疾病向量数据作为训练样本,训练循环神经网络,得到患病风险预测模型。循环神经网络的每一次完整的循环过程,是一段完整的就诊序列。每一个循环内的处理过程,将处理该就诊序列中的一次就诊行为的所有疾病诊断数据。
在步骤(2-2)中,假设某一个患者的患病序列为(A,B,C,D,E)每一个大写字母代表一次诊断,一次诊断包括多个疾病,例如诊断A中有(1,3)两种疾病,则诊断A的原始输入是[1,0,1,0,0。。。。。。]的向量,向量长度为总的疾病类别数,如所有疾病共1000种,则向量长度为1000,向量的值如上所示,如果他得了1,3两个病,则向量1,3两个位置值为1,其余值为0。这个向量是一次诊断的原始输入,用矩阵映射公式将高维度的疾病向量转化为低维度的疾病向量;
矩阵映射公式为:
y=Wx
其中,x为输入的高维度的疾病向量,y为输出的低维度的疾病向量,W是一个映射矩阵,将x映射到y,W为词向量映射矩阵。
在步骤(2-2)中,为使预测结果与未来N次实际患病最为接近,选择的优化目标函数为
其中,yt*是t到t+τ时间段的正确输出值;yt'是t时刻的预测值;N是疾病的总数目;T是患病就诊的总次数减去4,因为采用的样本的最短的就诊序列是5,因此建模的时候最少是用前4次患病来预测第5次,所以t从5开始;Et(yt*,yt')是时刻t所产生的误差,表示序列中某一段的输出;E(y,y')是总的误差,是所有输出误差之和,表示序列的中所有Et(yt*,yt')的输出。
在步骤(3)中,按就诊时间顺序,将多种就诊结果(疾病诊断数据)作为患病风险预测模型的输入以预测未来患者可能患得的疾病。例如,患者A共有10种疾病记录,则依次以10种疾病作为患病风险预测模型的输入,得到未来时刻所有疾病的患病概率,选择患病概率(从大到小排序)排名前十的疾病作为疾病预测的输出。
本发明基于循环神经网络的患病风险预测方法,利用循环神经网络与分布式词向量表达嵌入技术,解决了因医疗诊断数据具有维度高、数据稀疏、时序性强等特点导致的训练模型过于复杂、训练成本高以及训练准确率低等问题,实现了针对历史患病信息进行具有时序性的建模过程。
附图说明
图1为本发明患病风险预测方法中采用模型的整体结构示意图;
图2为本发明中连续词袋模型示意图;
图3为本发明中循环神经网络示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示,本发明基于循环神经网络的患病风险预测方法,具体包括:
步骤1,对疾病诊断数据进行预处理:将每名患者的m种疾病按照诊断的顺序排序,选取前n种疾病组成第一个疾病序列,选取第2种疾病~第n+1种疾病组成第二个疾病序列,选取第3种疾病~第n+2种疾病组成第三个疾病序列,以此类推,得到m-n+1个疾病序列,n的取值为5、7或9,m为自然数;
步骤2,词向量训练:将每个疾病序列中处于中间位置的疾病作为词向量训练模型的真实输出,剩余的疾病组成的序列作为词向量训练模型训练样本,将训练样本中的每种疾病按照诊断的顺序依次输入到词向量训练模型,进行疾病名称分布式词向量训练,得到每个疾病所对应的分布式词向量,从而组成词向量映射矩阵,并进行存储。
如图2所示的是连续词袋模型的结构示意图,w(t)表示某一名患者的第t个疾病。将第t个疾病前2个疾病(w(t-2)、w(t-1))及后2个疾病(w(t+1)、w(t+2))作为输入,映射成为等长的向量,并进行求和(SUM),使求和的结果拟合w(t)对应向量,最后得到疾病到词向量的映射。对疾病名称进行分布式词向量训练过程中,是为每一个疾病训练疾病特征向量,将高维度、高稀疏度的疾病名称,映射为低维度、低稀疏度的疾病向量。同时,根据向量距离的度量方法,度量不同疾病间的相关程度。若一次就诊行为有多次疾病确诊,即有多个疾病向量,则将这些疾病向量按元素相加,成为疾病向量和。
步骤3,对疾病诊断数据进行预处理:每名患者所有次就诊行为所确诊的疾病作为就诊序列,删除就诊行为次数小于5的就诊序列,且删除就诊序列中相邻两次就诊行为后一次中重复确诊的疾病,得到预处理后的就诊序列作为循环神经网络训练样本。
步骤4,循环神经网络的训练:将循环神经网络训练样本输入到循环神经网络模型中,利用词向量映射矩阵将训练样本转化为疾病向量;将确诊的历史疾病转化为向量,并作为循环神经网络模型的真实输出,利用疾病向量对循环神经网络进行训练,得到患病风险预测模型。
本发明中采用的循环神经网络如图3所示,循环神经网络是一种循环结构,每次循环的处理过程都有一个输入结点、一个隐层结点以及一个输出结点,U、V、W是三个线性变换矩阵,xt是一次就诊行为对应的词向量,由多种疾病的词向量相加得到;S是隐层向量,表示目前身体状态;o是最后的输出,表示预测患病,它们间的转换公式如下:
st=f(Uxt+Wst-1)
ot=soft max(Vst)
f()函数是线性变换后的激活函数,实现非线性映射,softmax()是将输出归一成概率的函数。
每次输入后都会在隐层结点产生对这次输入的记忆,并会结合之前的所有记忆及当前输入作为预测结果进行输出,实现有时序的预测。因此,该循环神经网络的每次完整的循环过程,是一段完整的就诊序列。每个循环内的处理过程处理的是就诊序列中的一次就诊行为的所有疾病。以一个病人的就诊序列为例,假设他有3次就诊行为,第一次就诊行为诊断为A病,第二次就诊诊断为B、C两个疾病,第三次就诊行为诊断为D病,则其就诊序列为(A)(B C)(D)。循环神经网络第一次将疾病A作为输入,产生对疾病A的记忆,并将记忆传递给第二次就诊行为,则第二次就诊时,循环神经网络的输入为疾病B、C以及上一次就诊的记忆,同时形成新的记忆,作为下一次的输入。
实际上,在循环神经网络模型中,每一个输入结点的输入数据是经过词向量映射转化为低维度、低稀疏度的疾病向量。
此步骤中,根据循环神经网络的预测输出和真实输出的误差情况,修改循环神经网络内部权值,以降低预测误差,具体采用随时间反向传播(BPTT)算法:
选择tanh函数作为隐含层的激活函数:
st=tanh(Uxt+Wst-1)
选择softmax函数作为输出层的激活函数:
yt'=soft max(Vst)
选择交叉熵函数作为损失函数:
以图3为例,yt'表示输出ot,yt*是真实的患病,本发明希望yt'=yt*,能够准确的预测疾病。函数Et(yt*,yt')表示第一次的输出(如ot)的误差;函数E(y,y')表示多次输出(如ot-1,ot,ot+1)的误差的平均。
BPTT是求出误差对所有参数的梯度,然后使用梯度下降方法对参数进行优化。因为E(y,y')是所有输出单元的累加,根据微分特性,可以得到总的微分为各个部分微分的和:
为了求各个参数的梯度,使用链式法则。例如我们要计算E3对V的梯度时,根据链式法则,有如下公式:
其中,z是输出层激励函数的输入。由于参数V是输出层的参数,该参数值依赖于该事件点t的yt'、yt、st。但对于其他参数如W,它不仅受当前时间点t的影响,同时也受之前的时间点影响。同样以E3对W的梯度为例,根据链式法则,它的梯度公式为:
此时,s3=tanh(Ux3+Ws2)只依赖于s2,而s2依赖于s1和W的,依次类推。因此,如果对W进行求导,不能将s2作为常量,需要继续使用链式法则,来推导该公式:
其中,Sk表示第k个时间点的状态,k表示时间点。
由于每个时间点上的参数W对E3都有影响,所以E3对W的梯度是E3对每个时间点上的W的梯度的累加。
在得到误差对每个参数的导数值时,即得到了当前的梯度值。根据梯度下降算法,参数向量减去梯度向量及学习率的乘积,为一次参数迭代过程。经过多次参数迭代,将得到最终的参数向量,即得到了最终的模型。
步骤5,将病人历史记录中每种疾病诊断数据作为一个测试样本,按照疾病诊断的先后顺序依次输入患病风险预测模型,得到未来时刻所有疾病的患病概率,选择患病概率前R大的疾病作为疾病预测的输出。
本实施例中,训练过程:训练数据采用的是某医院40万名患者的疾病诊断数据,其中,这40万名患者中,共含有4000种疾病,诊断次数大于等于5次的患者有12万名,利用以上数据训练得到患病风险预测模型。
根据场景情况,以召回率作为模型评价指标,综合对比最高频疾病作为结果,逻辑回归模型等模型,发现使用循环神经网络的模型具有最高的召回率。
MODELS | RECALL |
MOST FREQ. | 0.119 |
LR-1 | 0.404 |
LR-4 | 0.543 |
RNN | 0.575 |
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于循环神经网络的患病风险预测方法,包括以下步骤:
(1)利用诊断的疾病作为训练样本,进行疾病名称分布式词向量训练,得到词向量映射矩阵,并进行存储;
(2)再次利用诊断的疾病作为训练样本,进行循环神经网络训练,得到患病风险预测模型;
(3)将病人历史记录中每种诊断疾病作为一个测试样本输入患病风险预测模型,得到患病风险预测结果。
2.根据权利要求1所述基于循环神经网络的患病风险预测方法,其特征在于:步骤(1)的具体步骤为:
(1-1)对疾病诊断数据进行预处理:将每名患者的m种疾病按照诊断的顺序排序,选取前n种疾病组成第一个疾病序列,选取第2种疾病~第n+1种疾病组成第二个疾病序列,选取第3种疾病~第n+2种疾病组成第三个疾病序列,以此类推,得到m-n+1个疾病序列,n的取值为5、7或9,m为自然数;
(1-2)将每个疾病序列中处于中间位置的疾病作为词向量训练模型的真实输出,剩余的疾病组成的序列作为词向量训练模型训练样本,将训练样本中的每种疾病按照诊断的顺序依次输入到词向量训练模型,进行疾病名称分布式词向量训练,得到每个疾病所对应的分布式词向量,从而组成词向量映射矩阵,并进行存储。
3.根据权利要求2所述基于循环神经网络的患病风险预测方法,其特征在于:在步骤(1-2)中,采用连续词袋模型作为词向量训练模型。
4.根据权利要求1所述基于循环神经网络的患病风险预测方法,其特征在于:步骤(2)的具体步骤为:
(2-1)将每名患者所有次就诊行为所确诊的疾病作为就诊序列,删除就诊行为次数小于5的就诊序列,且删除就诊序列中相邻两次就诊行为后一次中重复确诊的疾病,得到预处理后的就诊序列作为循环神经网络训练样本;
(2-2)将循环神经网络训练样本输入到循环神经网络模型中,利用词向量映射矩阵将训练样本转化为疾病向量;
(2-3)将确诊的历史疾病转化为向量,并作为循环神经网络模型的真实输出,利用疾病向量对循环神经网络进行训练,得到患病风险预测模型。
5.根据权利要求1所述基于循环神经网络的患病风险预测方法,其特征在于:在步骤(3)中,按就诊时间顺序所得的每种诊断疾病输入到患病风险预测模型中,预测得到未来时刻所有疾病的患病概率,并按照从大到小顺序排列,选择患病概率排名前十的疾病作为疾病预测的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611247218.2A CN106778014B (zh) | 2016-12-29 | 2016-12-29 | 一种基于循环神经网络的患病风险预测建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611247218.2A CN106778014B (zh) | 2016-12-29 | 2016-12-29 | 一种基于循环神经网络的患病风险预测建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778014A true CN106778014A (zh) | 2017-05-31 |
CN106778014B CN106778014B (zh) | 2020-06-16 |
Family
ID=58929269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611247218.2A Active CN106778014B (zh) | 2016-12-29 | 2016-12-29 | 一种基于循环神经网络的患病风险预测建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778014B (zh) |
Cited By (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247881A (zh) * | 2017-06-20 | 2017-10-13 | 北京大数医达科技有限公司 | 一种多模态智能分析方法及系统 |
CN107463772A (zh) * | 2017-07-20 | 2017-12-12 | 广州慧扬健康科技有限公司 | 多维向量疾病谱的构建系统 |
CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及系统 |
CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
CN107895168A (zh) * | 2017-10-13 | 2018-04-10 | 平安科技(深圳)有限公司 | 数据处理的方法、数据处理的装置及计算机可读存储介质 |
CN108053841A (zh) * | 2017-10-23 | 2018-05-18 | 平安科技(深圳)有限公司 | 利用语音进行疾病预测的方法及应用服务器 |
CN108231146A (zh) * | 2017-12-01 | 2018-06-29 | 华南师范大学 | 一种基于深度学习的医疗记录模型构建方法、系统及装置 |
CN108228910A (zh) * | 2018-02-09 | 2018-06-29 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种将循环神经网络应用在关联选择问题上的方法 |
CN108628164A (zh) * | 2018-03-30 | 2018-10-09 | 浙江大学 | 一种基于循环神经网络模型的工业过程半监督软测量方法 |
CN108846503A (zh) * | 2018-05-17 | 2018-11-20 | 电子科技大学 | 一种基于神经网络的呼吸系统疾病患病人次动态预测方法 |
CN108877929A (zh) * | 2018-05-31 | 2018-11-23 | 平安医疗科技有限公司 | 基于神经网络的拟诊推荐处理方法、装置和计算机设备 |
CN109256212A (zh) * | 2018-08-17 | 2019-01-22 | 上海米因医疗器械科技有限公司 | 骨健康评估模型构建方法、装置、设备、介质及评估方法 |
CN109326353A (zh) * | 2018-10-29 | 2019-02-12 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
CN109346183A (zh) * | 2018-09-18 | 2019-02-15 | 山东大学 | 基于循环神经网络模型rnn的疾病诊断预测系统 |
CN109493976A (zh) * | 2018-12-20 | 2019-03-19 | 广州天鹏计算机科技有限公司 | 基于卷积神经网络模型的慢性病复发预测方法和装置 |
CN109599177A (zh) * | 2018-11-27 | 2019-04-09 | 华侨大学 | 一种基于病历的深度学习预测医疗轨迹的方法 |
CN109615012A (zh) * | 2018-12-13 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
CN109637669A (zh) * | 2018-11-22 | 2019-04-16 | 中山大学 | 基于深度学习的治疗方案的生成方法、装置及存储介质 |
CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
CN109741804A (zh) * | 2019-01-16 | 2019-05-10 | 四川大学华西医院 | 一种信息提取方法、装置、电子设备及存储介质 |
CN109754852A (zh) * | 2019-01-08 | 2019-05-14 | 中南大学 | 基于电子病历的心血管疾病风险预测方法 |
CN109785311A (zh) * | 2019-01-14 | 2019-05-21 | 深圳和而泰数据资源与云技术有限公司 | 一种疾病诊断方法及相关设备 |
CN109887606A (zh) * | 2019-02-28 | 2019-06-14 | 莫毓昌 | 一种基于注意力的双向递归神经网络的诊断预测方法 |
CN109935326A (zh) * | 2019-02-28 | 2019-06-25 | 生活空间(沈阳)数据技术服务有限公司 | 一种患病概率预测装置及存储介质 |
CN109949929A (zh) * | 2019-03-19 | 2019-06-28 | 挂号网(杭州)科技有限公司 | 一种基于深度学习大规模病历的辅助诊断系统 |
CN110111885A (zh) * | 2019-05-09 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 属性预测方法、装置、计算机设备及计算机可读存储介质 |
WO2019153596A1 (zh) * | 2018-02-07 | 2019-08-15 | 平安科技(深圳)有限公司 | 水痘发病预警方法、服务器及计算机可读存储介质 |
CN110223280A (zh) * | 2019-06-03 | 2019-09-10 | Oppo广东移动通信有限公司 | 静脉血栓检测方法和静脉血栓检测装置 |
CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
WO2020006934A1 (zh) * | 2018-07-05 | 2020-01-09 | 平安科技(深圳)有限公司 | 猪只疾病识别方法、装置及计算机可读存储介质 |
CN111179102A (zh) * | 2019-12-25 | 2020-05-19 | 北京亚信数据有限公司 | 医疗保险核保风控方法、装置及存储介质 |
CN111199801A (zh) * | 2018-11-19 | 2020-05-26 | 零氪医疗智能科技(广州)有限公司 | 一种用于识别病历的疾病类型的模型的构建方法及应用 |
CN111312349A (zh) * | 2018-12-11 | 2020-06-19 | 深圳先进技术研究院 | 病历数据预测方法、装置及电子设备 |
CN111341452A (zh) * | 2020-04-01 | 2020-06-26 | 四川大学华西医院 | 多系统萎缩失能预测方法、模型建立方法、装置及设备 |
CN111370122A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 一种基于知识指导的时序数据风险预测方法、系统及其应用 |
CN111524571A (zh) * | 2020-05-21 | 2020-08-11 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐方法 |
CN111737922A (zh) * | 2020-06-24 | 2020-10-02 | 深圳前海微众银行股份有限公司 | 基于循环神经网络的数据处理方法、装置、设备及介质 |
CN111739643A (zh) * | 2020-08-20 | 2020-10-02 | 耀方信息技术(上海)有限公司 | 一种健康风险评估系统 |
CN111737921A (zh) * | 2020-06-24 | 2020-10-02 | 深圳前海微众银行股份有限公司 | 基于循环神经网络的数据处理方法、设备及介质 |
CN111883262A (zh) * | 2020-09-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 疫情趋势预测方法、装置、电子设备及存储介质 |
EP3754664A1 (en) * | 2019-06-19 | 2020-12-23 | Acer Incorporated | Disease suffering probability prediction method and electronic apparatus |
CN112201345A (zh) * | 2020-10-10 | 2021-01-08 | 上海奇博自动化科技有限公司 | 一种基于运动传感器分析牛只疾病的方法 |
CN112349412A (zh) * | 2019-08-06 | 2021-02-09 | 宏碁股份有限公司 | 患病机率预测方法与电子装置 |
CN112528009A (zh) * | 2020-12-07 | 2021-03-19 | 北京健康有益科技有限公司 | 生成用户慢病调理方案的方法、装置及计算机可读介质 |
EP3869514A1 (en) * | 2020-02-20 | 2021-08-25 | Acer Incorporated | Training data processing method and electronic device |
CN113314212A (zh) * | 2020-02-26 | 2021-08-27 | 宏碁股份有限公司 | 训练数据处理方法与电子装置 |
CN113345564A (zh) * | 2021-05-31 | 2021-09-03 | 电子科技大学 | 一种基于图神经网络的患者住院时长早期预测方法及装置 |
CN113782209A (zh) * | 2020-09-25 | 2021-12-10 | 北京大学 | 一种基于循环神经网络的慢性病患者智能预后方法及系统 |
CN114694841A (zh) * | 2022-03-30 | 2022-07-01 | 电子科技大学 | 一种基于患者电子健康记录的不良事件风险预测方法 |
CN114898879A (zh) * | 2022-05-10 | 2022-08-12 | 电子科技大学 | 一种基于图表示学习的慢病风险预测方法 |
CN115547502A (zh) * | 2022-11-23 | 2022-12-30 | 浙江大学 | 基于时序数据的血透病人风险预测装置 |
CN117438023A (zh) * | 2023-10-31 | 2024-01-23 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
CN110444263B (zh) * | 2019-08-21 | 2024-04-26 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126596A (zh) * | 2016-06-20 | 2016-11-16 | 中国科学院自动化研究所 | 一种基于层次化记忆网络的问答方法 |
US20160350532A1 (en) * | 2015-04-16 | 2016-12-01 | Cylance Inc. | Recurrent neural networks for malware analysis |
-
2016
- 2016-12-29 CN CN201611247218.2A patent/CN106778014B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160350532A1 (en) * | 2015-04-16 | 2016-12-01 | Cylance Inc. | Recurrent neural networks for malware analysis |
CN106126596A (zh) * | 2016-06-20 | 2016-11-16 | 中国科学院自动化研究所 | 一种基于层次化记忆网络的问答方法 |
Non-Patent Citations (2)
Title |
---|
CRISTÓBAL ESTEBAN 等: "《Predicting Clinical Events by Combining Static and Dynamic Information Using Recurrent Neural Networks》", 《2016 IEEE INTERNATIONAL CONFERENCE ON HEALTHCARE INFORMATICS》 * |
李渊 等: "《生物医学数据分析中的深度学习方法应用》", 《生物化学和生物物理进展》 * |
Cited By (75)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247881A (zh) * | 2017-06-20 | 2017-10-13 | 北京大数医达科技有限公司 | 一种多模态智能分析方法及系统 |
CN107247881B (zh) * | 2017-06-20 | 2020-04-28 | 北京大数医达科技有限公司 | 一种多模态智能分析方法及系统 |
CN107463772A (zh) * | 2017-07-20 | 2017-12-12 | 广州慧扬健康科技有限公司 | 多维向量疾病谱的构建系统 |
CN107463772B (zh) * | 2017-07-20 | 2020-12-18 | 广州慧扬健康科技有限公司 | 多维向量疾病谱的构建系统 |
CN107895168A (zh) * | 2017-10-13 | 2018-04-10 | 平安科技(深圳)有限公司 | 数据处理的方法、数据处理的装置及计算机可读存储介质 |
CN108053841A (zh) * | 2017-10-23 | 2018-05-18 | 平安科技(深圳)有限公司 | 利用语音进行疾病预测的方法及应用服务器 |
CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
CN107863147B (zh) * | 2017-10-24 | 2021-03-16 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及系统 |
CN108231146A (zh) * | 2017-12-01 | 2018-06-29 | 华南师范大学 | 一种基于深度学习的医疗记录模型构建方法、系统及装置 |
WO2019153596A1 (zh) * | 2018-02-07 | 2019-08-15 | 平安科技(深圳)有限公司 | 水痘发病预警方法、服务器及计算机可读存储介质 |
CN108228910A (zh) * | 2018-02-09 | 2018-06-29 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种将循环神经网络应用在关联选择问题上的方法 |
CN108628164A (zh) * | 2018-03-30 | 2018-10-09 | 浙江大学 | 一种基于循环神经网络模型的工业过程半监督软测量方法 |
CN108846503A (zh) * | 2018-05-17 | 2018-11-20 | 电子科技大学 | 一种基于神经网络的呼吸系统疾病患病人次动态预测方法 |
CN108877929A (zh) * | 2018-05-31 | 2018-11-23 | 平安医疗科技有限公司 | 基于神经网络的拟诊推荐处理方法、装置和计算机设备 |
WO2020006934A1 (zh) * | 2018-07-05 | 2020-01-09 | 平安科技(深圳)有限公司 | 猪只疾病识别方法、装置及计算机可读存储介质 |
CN109256212A (zh) * | 2018-08-17 | 2019-01-22 | 上海米因医疗器械科技有限公司 | 骨健康评估模型构建方法、装置、设备、介质及评估方法 |
CN109346183A (zh) * | 2018-09-18 | 2019-02-15 | 山东大学 | 基于循环神经网络模型rnn的疾病诊断预测系统 |
CN112289442B (zh) * | 2018-10-29 | 2024-05-03 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
CN112289442A (zh) * | 2018-10-29 | 2021-01-29 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
CN109326353A (zh) * | 2018-10-29 | 2019-02-12 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
CN111199801B (zh) * | 2018-11-19 | 2023-08-08 | 零氪医疗智能科技(广州)有限公司 | 一种用于识别病历的疾病类型的模型的构建方法及应用 |
CN111199801A (zh) * | 2018-11-19 | 2020-05-26 | 零氪医疗智能科技(广州)有限公司 | 一种用于识别病历的疾病类型的模型的构建方法及应用 |
CN109637669B (zh) * | 2018-11-22 | 2023-07-18 | 中山大学 | 基于深度学习的治疗方案的生成方法、装置及存储介质 |
CN109637669A (zh) * | 2018-11-22 | 2019-04-16 | 中山大学 | 基于深度学习的治疗方案的生成方法、装置及存储介质 |
CN109599177A (zh) * | 2018-11-27 | 2019-04-09 | 华侨大学 | 一种基于病历的深度学习预测医疗轨迹的方法 |
CN111312349A (zh) * | 2018-12-11 | 2020-06-19 | 深圳先进技术研究院 | 病历数据预测方法、装置及电子设备 |
CN109615012A (zh) * | 2018-12-13 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
CN109493976A (zh) * | 2018-12-20 | 2019-03-19 | 广州天鹏计算机科技有限公司 | 基于卷积神经网络模型的慢性病复发预测方法和装置 |
CN109754852A (zh) * | 2019-01-08 | 2019-05-14 | 中南大学 | 基于电子病历的心血管疾病风险预测方法 |
CN109785311A (zh) * | 2019-01-14 | 2019-05-21 | 深圳和而泰数据资源与云技术有限公司 | 一种疾病诊断方法及相关设备 |
CN109785311B (zh) * | 2019-01-14 | 2021-06-04 | 深圳和而泰数据资源与云技术有限公司 | 一种疾病诊断装置、电子设备及存储介质 |
CN109741804A (zh) * | 2019-01-16 | 2019-05-10 | 四川大学华西医院 | 一种信息提取方法、装置、电子设备及存储介质 |
CN109741804B (zh) * | 2019-01-16 | 2023-03-31 | 四川大学华西医院 | 一种信息提取方法、装置、电子设备及存储介质 |
CN109887606A (zh) * | 2019-02-28 | 2019-06-14 | 莫毓昌 | 一种基于注意力的双向递归神经网络的诊断预测方法 |
CN109935326A (zh) * | 2019-02-28 | 2019-06-25 | 生活空间(沈阳)数据技术服务有限公司 | 一种患病概率预测装置及存储介质 |
CN109949929A (zh) * | 2019-03-19 | 2019-06-28 | 挂号网(杭州)科技有限公司 | 一种基于深度学习大规模病历的辅助诊断系统 |
CN110111885A (zh) * | 2019-05-09 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 属性预测方法、装置、计算机设备及计算机可读存储介质 |
WO2020224433A1 (zh) * | 2019-05-09 | 2020-11-12 | 腾讯科技(深圳)有限公司 | 基于机器学习的目标对象属性预测方法及相关设备 |
CN110111885B (zh) * | 2019-05-09 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 属性预测方法、装置、计算机设备及计算机可读存储介质 |
CN110223280A (zh) * | 2019-06-03 | 2019-09-10 | Oppo广东移动通信有限公司 | 静脉血栓检测方法和静脉血栓检测装置 |
CN110223280B (zh) * | 2019-06-03 | 2021-04-13 | Oppo广东移动通信有限公司 | 静脉血栓检测方法和静脉血栓检测装置 |
EP3754664A1 (en) * | 2019-06-19 | 2020-12-23 | Acer Incorporated | Disease suffering probability prediction method and electronic apparatus |
CN112349412A (zh) * | 2019-08-06 | 2021-02-09 | 宏碁股份有限公司 | 患病机率预测方法与电子装置 |
CN112349412B (zh) * | 2019-08-06 | 2024-03-22 | 宏碁股份有限公司 | 患病机率预测方法与电子装置 |
CN110444263B (zh) * | 2019-08-21 | 2024-04-26 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
CN111179102A (zh) * | 2019-12-25 | 2020-05-19 | 北京亚信数据有限公司 | 医疗保险核保风控方法、装置及存储介质 |
CN111179102B (zh) * | 2019-12-25 | 2023-10-03 | 北京亚信数据有限公司 | 医疗保险核保风控方法、装置及存储介质 |
EP3869514A1 (en) * | 2020-02-20 | 2021-08-25 | Acer Incorporated | Training data processing method and electronic device |
CN113314212A (zh) * | 2020-02-26 | 2021-08-27 | 宏碁股份有限公司 | 训练数据处理方法与电子装置 |
CN111370122A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 一种基于知识指导的时序数据风险预测方法、系统及其应用 |
CN111370122B (zh) * | 2020-02-27 | 2023-12-19 | 西安交通大学 | 一种基于知识指导的时序数据风险预测方法、系统及其应用 |
CN111341452A (zh) * | 2020-04-01 | 2020-06-26 | 四川大学华西医院 | 多系统萎缩失能预测方法、模型建立方法、装置及设备 |
CN111524571A (zh) * | 2020-05-21 | 2020-08-11 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐方法 |
CN111524571B (zh) * | 2020-05-21 | 2022-06-10 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐系统 |
CN111737922A (zh) * | 2020-06-24 | 2020-10-02 | 深圳前海微众银行股份有限公司 | 基于循环神经网络的数据处理方法、装置、设备及介质 |
CN111737921B (zh) * | 2020-06-24 | 2024-04-26 | 深圳前海微众银行股份有限公司 | 基于循环神经网络的数据处理方法、设备及介质 |
CN111737921A (zh) * | 2020-06-24 | 2020-10-02 | 深圳前海微众银行股份有限公司 | 基于循环神经网络的数据处理方法、设备及介质 |
CN111739643A (zh) * | 2020-08-20 | 2020-10-02 | 耀方信息技术(上海)有限公司 | 一种健康风险评估系统 |
CN111739643B (zh) * | 2020-08-20 | 2020-12-15 | 耀方信息技术(上海)有限公司 | 一种健康风险评估系统 |
CN113782209A (zh) * | 2020-09-25 | 2021-12-10 | 北京大学 | 一种基于循环神经网络的慢性病患者智能预后方法及系统 |
CN111883262A (zh) * | 2020-09-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 疫情趋势预测方法、装置、电子设备及存储介质 |
CN112201345A (zh) * | 2020-10-10 | 2021-01-08 | 上海奇博自动化科技有限公司 | 一种基于运动传感器分析牛只疾病的方法 |
CN112528009A (zh) * | 2020-12-07 | 2021-03-19 | 北京健康有益科技有限公司 | 生成用户慢病调理方案的方法、装置及计算机可读介质 |
CN113345564A (zh) * | 2021-05-31 | 2021-09-03 | 电子科技大学 | 一种基于图神经网络的患者住院时长早期预测方法及装置 |
CN113345564B (zh) * | 2021-05-31 | 2022-08-05 | 电子科技大学 | 一种基于图神经网络的患者住院时长早期预测方法及装置 |
CN114694841B (zh) * | 2022-03-30 | 2023-04-07 | 电子科技大学 | 一种基于患者电子健康记录的不良事件风险预测方法 |
CN114694841A (zh) * | 2022-03-30 | 2022-07-01 | 电子科技大学 | 一种基于患者电子健康记录的不良事件风险预测方法 |
CN114898879B (zh) * | 2022-05-10 | 2023-04-21 | 电子科技大学 | 一种基于图表示学习的慢病风险预测方法 |
CN114898879A (zh) * | 2022-05-10 | 2022-08-12 | 电子科技大学 | 一种基于图表示学习的慢病风险预测方法 |
CN115547502A (zh) * | 2022-11-23 | 2022-12-30 | 浙江大学 | 基于时序数据的血透病人风险预测装置 |
CN117438023A (zh) * | 2023-10-31 | 2024-01-23 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
CN117438023B (zh) * | 2023-10-31 | 2024-04-26 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106778014B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778014A (zh) | 一种基于循环神经网络的患病风险预测方法 | |
Zhu et al. | Measuring patient similarities via a deep architecture with medical concept embedding | |
CN110334843B (zh) | 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置 | |
WO2016192612A1 (zh) | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 | |
CN106777874A (zh) | 基于循环神经网络构建预测模型的方法 | |
CN108804677A (zh) | 结合多层级注意力机制的深度学习问题分类方法及系统 | |
Dabowsa et al. | A hybrid intelligent system for skin disease diagnosis | |
Yang et al. | Recomputation of the dense layers for performance improvement of dcnn | |
Jalali et al. | Parsimonious evolutionary-based model development for detecting artery disease | |
Yang et al. | Predictive modeling of therapy decisions in metastatic breast cancer with recurrent neural network encoder and multinomial hierarchical regression decoder | |
Phankokkruad | COVID-19 pneumonia detection in chest X-ray images using transfer learning of convolutional neural networks | |
CN106096286A (zh) | 临床路径制定方法及装置 | |
CN109935337A (zh) | 一种基于相似性度量的病案查找方法及系统 | |
Taylor et al. | A model to detect heart disease using machine learning algorithm | |
Mohammedqasim et al. | Real-time data of COVID-19 detection with IoT sensor tracking using artificial neural network | |
CN113223656A (zh) | 一种基于深度学习的药物组合预测方法 | |
CN111387938A (zh) | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 | |
Habib et al. | Machine learning based healthcare system for investigating the association between depression and quality of life | |
CN110299194B (zh) | 基于综合特征表示与改进宽深度模型的相似病例推荐方法 | |
Zebardast et al. | A new generalized regression artificial neural networks approach for diagnosing heart disease | |
CN111477337A (zh) | 基于个体自适应传播网络的传染病预警方法、系统及介质 | |
Dadgar et al. | A hybrid method of feature selection and neural network with genetic algorithm to predict diabetes | |
CN112329921B (zh) | 基于深度表征学习和强化学习的利尿剂剂量推理设备 | |
Termritthikun et al. | Neural architecture search and multi-objective evolutionary algorithms for anomaly detection | |
Qureshi et al. | SaRa: A Novel Activation Function with Application to Melanoma Image Classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |